Li o de Resumos do XVII Cong esso Anual da SPE 1
Mé odo de de ecção de ou lie s baseado em clus e ing: es-
colha do núme o de nu ens pelo c i é io AIC
C. M. San os-Pe ei a
CEMAT/IST e Depa amen o de Engenha ia Ci il da Faculdade de Engenha ia da
Uni e sidade do Po o -[email p o ec ed]
A. M. Pi es
Depa amen o de Ma emá ica e CEMAT, IST, UTL -[email p o ec ed]
Pala as–cha e: AIC, ou lie s, es imado es obus os, clus e ing
Em San os-Pe ei a e Pi es [8] ap esen amos um mé odo gené ico de classi i-
cação com ejeição po indecisão e obse ações a ípicas (ou lie s). Em San os-
Pe ei a e Pi es [7] p opusemos um mé odo de de ecção de ou lie s baseado em
análise de clus e s e u ilização de dis âncias ipo Mahalanobis com es imado es
clássicos e obus os. Po o ma a a alia o desempenho des e úl imo mé odo,
conduziu-se um es udo de simulação, com á ias si uações dis ibucionais, que
en ol eu a u ilização de ês mé odos de clus e ing: K-means, pam (Kau man
e Rousseeuw [2] ) e mclus (Ban ield e Ra e y [1]), e ês pa es de es imado es
de localização-dispe são: clássicos, RCMD ( Rousseeuw [5]) e OGK (Ma onna e
Zama [3]). Uma das di iculdades encon adas na implemen ação des e mé odo
oi a escolha do núme o de clus e s, k, do mé odo de clus e ing e do es imado
de localização-dispe são. Nesse momen o pa a a escolha da melho combinação
e am expe imen ados á ios alo es pa a k(no mínimo 1 e no máximo uma alo
que depende ia do núme o de obse ações e do núme o de a iá eis) e escolhia-
se aquele que minimiza a ( e Sakamo o, Ishigu o e Ki agawa [6] e Ronche i
[4])
AIC =−2
n
X
i=1
log ˆ
(xi) + 2kp+p(p+ 1)
2,(1)
com
ˆ
(x) =
k
X
j=1
nj
nT
N(x;ˆ
µj,ˆ
Σj)enT=
k
X
j=1
nj,(2)
onde
N(x;ˆ
µj,ˆ
Σj) ep esen a a .d.p. da Np(ˆ
µ,ˆ
Σ).(3)
Nes a comunicação discu e-se a obus ez do c i é io AIC aqui desc i o, pa a a
escolha do núme o de clus e s, com base num conjun o de si uações dis ibu-
cionais.
2 San os-Pe ei a e Pi es/ Núme o de nu ens pelo c i é io AIC
Re e ências
[1] Ban ield, J. e Ra e y, A. (1992). Model-Based Gaussian and non-Gaussian. Bio-
me ics, 49, 803-822.
[2] Kau man, L. e Rousseeauw (1990). Finding G oups in da a: An in oduc ion o
Clus e Analysis. New Yo k: Wiley.
[3] Ma onna, R. e Zama , R. (2002). Robus es ima es o loca ion and dispe sion o
high dimensional da a se s. Em Technome ics, 44, 307-317.
[4] Ronche i, E. (1997). Robus eness aspec s o model choice. S a is ica Sinica, 7,
327-338.
[5] Rousseeuw, P. (1985). Mul i a ia e es ima ion wi h high b eakdown poin . Em
Ma hema ical S a is ics and Applica ions (W. G ossman, G.Plu g, I. Vincze e W.
We z, eds.), Vol.B, 283-297. Do d ech , Reidel.
[6] Sakamo o, Y., Ishigu o, M. e Ki agawa, G. (1988). Akaike In o ma ion C i e ion
S a is ics. New Yo k: Kluwe Academic Publishe s.
[7] San os-Pe ei a, C. e Pi es, A. (2002). De ec ion o ou lie s in mul i a ia e da a: a
me hod based on clus e ing and obus es ima o s. Em Compu a ional S a is ics
(Hä dle, W. e Rönz, B., eds.), 291-296, Heidelbe g,Physica-Ve lag.
[8] San os-Pe ei a, C. e Pi es, A. (2004). Mé odo de classi icação com ejeição po
indecisão e obse ações a ípicas. Em Ac as do XI Cong esso da SPE (Rod igues,
P., Rebelo, E. e Rosado, F., eds.), 595-604, Funchal.